論文の概要: DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2609.27276v1
• Date: Wed, 23 Sep 2026 03:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.851319
• Title: DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents
• Title（参考訳）: DRSR:効率的な長距離エージェントのためのセットレベル削除リスクの学習
• Abstract要約: ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
• 参考スコア（独自算出の注目度）: 55.84813053778976
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Long-horizon language-model agents accumulate reasoning traces, tool exchanges, and observations whose relevance changes with the current decision. Existing compression strategies often score historical units independently, but the safety of deleting several units is generally not determined by their singleton scores: redundant evidence, accumulated small effects, and the information that remains after deletion all matter. We introduce Direct Relational Set-Risk Pruning (DRSR), which formulates agent-history compression as risk-constrained selection over deletion sets. Offline, DRSR constructs exact counterfactual supervision by jointly deleting protocol-valid history Blocks and measuring the change in teacher-forced likelihood of the same recorded next output. A lightweight scorer then predicts set-level harm from online-visible relations between candidate history and the current pre-action state, together with deleted-retained and pairwise set structure. At deployment, DRSR evaluates a small set of structurally valid deletion candidates with the lightweight scorer and removes the largest feasible set under recency, protocol, budget, and learned-risk constraints, abstaining when no set is sufficiently safe. On WorkBuddyBench Full260, DRSR increases mean reward from 0.699 to 0.802 while reducing total model tokens by 20.820%. On the fixed Eval40 comparison, it obtains 0.794 reward at 1.211M tokens per task, using 35.850% fewer tokens than the uncompressed agent. Mechanistic analyses and ablations further show that decision-conditioned relations, retained-context information, pair interactions, and abstention each contribute to reliable pruning.
• Abstract（参考訳）: ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 既存の圧縮戦略は、しばしば歴史的単位を独立にスコアするが、いくつかの単位を削除することの安全性は、通常、冗長な証拠、蓄積された小さな効果、あらゆる事項が削除された後に残る情報など、シングルトンスコアによって決定されない。 削除集合に対するリスク制約の選択としてエージェント履歴圧縮を定式化するダイレクトリレーショナル・セット・リスク・プルーニング(DRSR)を導入する。 オフラインでは、DRSRはプロトコル無効な履歴ブロックを共同削除し、教師による次の出力の確率の変化を測定することで、正確なカウンターファクトの監視を構築する。 ライトウェイトスコアラは、削除された保持状態とペアのセット構造とともに、候補者履歴と現在のプリアクション状態との間のオンライン可視的関係からセットレベル障害を予測する。 DRSRは、軽量スコアラを用いて、構造的に有効な削除候補の小さなセットを評価し、信頼性、プロトコル、予算、学習リスクの制約の下で最大の実現可能なセットを削除し、セットが十分に安全でない場合に停止する。 WorkBuddyBench Full260では、DRSRは平均報酬を0.699から0.802に引き上げ、全体のモデルトークンを20.820%削減した。 固定Eval40の比較では、非圧縮エージェントよりも35.850%少ないトークンを使用して、1タスクあたり1.211Mトークンで0.794報酬を得る。 メカニスティック分析と改善により、決定条件付き関係、保持コンテキスト情報、ペア相互作用、および棄権がそれぞれ信頼性の高い刈り取りに寄与していることが示される。

関連論文リスト

• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.67111148617533]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• Counterfactual Tool Ranking under Utility, Cost, and Privilege Constraints [7.504639516424482]
  本研究は、新しいDR推定器、公式BFCLリーダーボードスコア、プロダクションエージェント安全クレームではなく、偽造可能な評価方法であり、独立した公的証拠である。 不一致保存フォールバックは、5つのサポートギャップ実行すべてでこの特性を達成するが、保守的なサンプリング境界はデプロイメントの改善を証明しない。 2つのピン付きローカルQwen2.5モデルは、同じ200の保持タスクで評価され、固定プロンプトの下での強い失敗が露呈する。
  論文  参考訳（メタデータ） (2026-09-19T06:40:09Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning [8.170162585703787]
  Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
  論文  参考訳（メタデータ） (2026-09-03T20:59:09Z)
• TOUR: A Trajectory-Level Unlearning Benchmark for Offline Reinforcement Learning [18.411026872661083]
  オフラインRL(TOUR)におけるトラジェクトリレベルのmemOrizationとUnlearningを導入する。 TOURは、トラジェクトリレベルのパーティショニング、マッチした非メンバーコントロール、参照の再トレーニング、保持されたパフォーマンスアンカー、プライバシ監査を組み合わせたものだ。 一般的な削除ベースラインは環境に依存したプライバシ・ユーティリティーの挙動を示す。
  論文  参考訳（メタデータ） (2026-07-23T09:40:40Z)
• Stateful Guardrails for Multi-Turn LLM Systems: A Conversational Risk Accumulation Framework [0.19116784879310023]
  我々は,この会話型リスク蓄積(CRA:Conversational Risk Accumulation)と呼ぶ。段階的な意図の漂流,禁止命令の断片化,繰り返しの開示からの感度向上である。 本稿では,セッションアンカーからのセマンティックドリフト,抽出されたエンティティに対する感度重み付け情報蓄積グラフ,従順性を高めたコンプライアンス・グラディエント信号の3つのトラジェクティブ信号を追跡するセッション層CRAフレームワークを提案する。 i)帰属・消滅のための教師なし凸融合,(ii)家族対人目的で訓練されたコンパクト学習軌道モデルCRA-Net DAを提供する。
  論文  参考訳（メタデータ） (2026-06-03T02:55:17Z)
• Causal Unlearning in Collaborative Optimization: Exact and Approximate Influence Reversal under Adversarial Contributions [2.5565719921628443]
  フェデレートされた学習システムは、プライバシー規則に従うためにデータ削除要求をサポートしなければならない。 本稿では,クライアントのコントリビューションをKrylov部分空間の共役反復によって近似することで,クライアントのコントリビューションを除去する手法であるHF-KCUを提案する。 我々は、k がヘッセン条件数である場合、クリロフ近似誤差が O((k 1/2-1)/(k1/2+1) として減少することを示す収束保証を提供する。
  論文  参考訳（メタデータ） (2026-05-19T18:00:39Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。